لمعالجة مشكلة عدم كفاية دقة الكشف في فحص عيوب Mura لشاشات الكريستال السائل الناتجة عن انخفاض التباين وتنوع اختلاف المقاييس، ومن زاوية تحسين أداء النموذج في كشف العيوب ذات المقاييس الصغيرة والضعيفة، تم اقتراح نموذج كشف عيوب Mura لشاشات الكريستال السائل YOLO-D3MNet القائم على تحسين YOLOv8n. أولاً، من خلال إدخال وحدة ConvNeXtv2 لإعادة بناء الشبكة الأساسية ورقبة النموذج، تم تحسين قدرة النموذج على استخراج الميزات الضعيفة في الخلفيات ذات النسيج المعقد؛ ثانياً، لمشكلة عدم كفاية تبادل معلومات الميزة عبر القنوات في وحدة رأس الكشف، تم اقتراح رأس فك ارتباط فعال يجمع بين استراتيجية خلط القنوات والتلافيف القابلة للفصل عميقاً، لتعزيز تدفق المعلومات بين قنوات الميزات المختلفة وتقليل متطلبات الحوسبة للنموذج؛ أخيراً، لمشكلة حساسية مقاييس تقاطع الاتحاد المبنية على إطارات التنبؤ والإطارات الحقيقية لانحراف مواقع العيوب ذات المقاييس الصغيرة، تم إدخال دالة فقدان مسافة Wasserstein Gaussian المعيارية لتوفير المزيد من المرشحين المناسبين للعينات الإيجابية، مما أدى إلى تحسين أداء النموذج في كشف عيوب Mura. بلغت دقة نموذج YOLO-D3MNet المحسن ومعدل الاستدعاء وmAP₅₀ 92.9% و88.8% و94.8% على التوالي. مقارنة بالنموذج الأساسي YOLOv8n، زادت دقة نموذج YOLO-D3MNet ومعدل الاستدعاء وmAP₅₀ بنسبة 3.4% و2.7% و3.6% على التوالي، في حين تم تقليل GFLOPs للنموذج بنسبة 24.7%. بالمقارنة مع نماذج الكشف عن الأهداف السائدة مثل YOLOv5n، يتميز نموذج YOLO-D3MNet الذي تم اقتراحه في هذه الدراسة بأداء أفضل في كشف عيوب Mura لشاشات الكريستال السائل.

عيوب Mura;شاشات الكريستال السائل;كشف الأهداف;التعلم العميق;ميزات ضعيفة